最大似然估计一般在回归模型出现非线性时使用,此时,最大似然估计或非线性最小二乘法均可。
在线性回归模型中,由于MLE与OLS的估计量一致,所以即使扰动项不服从正态分布也没关系,但是,如果在非线性模型中,扰动项不服从正态分布,而采用了MLE模型,则会导致出现“准最大似然估计”,其结果并不精准。
当出现非正态分布时,需对数据进行进一步的处理,例如对数化等,以达到正态分布。
正态检验
画图
直方图:normal表示与正态分布进行对比
hist x,normal
核密度图:lpattern指的是用什么线条画核密度曲线,系统默认的是不同颜色进行区分,但是若需要复制到论文中,最好用不同的线条表示,这样在黑白打印的时候也能够明显看出。
kdensity x,normal lpattern("-")
QQ图:正态分布的表现在QQ图中应该是大多数集中于y=x的线上
qnorm x
各种检验(原假设均为正态分布)
JB检验(需先下载jb6程序):观察Chi(2)后面的数值,当作p值判断
jb6 x
D‘Agostino检验:观察右下角的p值
sktest x
Shapiro-Wilk检验:同理
swilk x
Shapiro-Francia检验
sfrancia x
MLE检验
陈强老师的书上并没有很多相关的介绍,而根据连玉君老师的分享,应该是需要现根据设定的模型进行ado文件的编写,例如根据指数分布进行编写
之后再进行调用
详细可见下面的链接。
一般来说,在论文写作中不常用MLE,因为要去预测一个完整的模型是存在很多不确定性和困难的。